文件大小：1.94M
针对交通流长期趋势性与非平稳性不易有效建模，以及交通流的隐藏动态时空特征难以捕捉的问题，该文提出一种基于长期Transformer和自适应傅里叶变换的动态图卷积交通流预测模型(ADGformer)。其中，长期门控卷积层通过掩码子序列Transformer从长历史序列中学习压缩的、上下文信息丰富的子序列表示，并利用膨胀门控卷积从子序列的时间表示中有效捕捉交通流的长期趋势特征。并设计一种动态图构造器生成动态可学习图，并利用可学习动态图卷积对节点间潜在的和时变的空间依赖关系进行建模以有效捕获交通流的动态隐藏空间特征。其次，自适应频谱块利用傅里叶变换来增强特征表示并捕获长短期的交互作用，同时通过自适应阈值处理来降低交通流的非平稳性。实验结果表明，所提ADGformer模型具有较好的预测性能。
